PDF文件解析与PDF恶代分析中的一些坑

一、简介

最近在做文档类的恶代检测，写个总结。

本篇文章负责介绍pdf文档的格式以及恶代分析中需要注意的问题以及相应工具推荐。希望能给各位做恶代分析时提供一些帮助。

后序会更新一些其他文档格式解析与恶代分析内容等，欢迎各位关注。

二、PDF文件格式介绍

PDF(便携式文件格式，Portable Document Format)是由Adobe Systems于1993年基于文件交换所发展出的一种文件格式。Adobe公司素有“漏洞之王”的美誉，所以学习PDF文件格式对研究分析漏洞具有极大帮助。PDF格式较为复杂，本文以研究漏洞的目的分析PDF格式，探寻如何找出并分析PDF中存在的恶意代码，而并非做一个详细的PDF parser解析器，因此会省略对不相关关键字的介绍，请各位留意。

PDF的结构可以从文件结构和逻辑结构两个方面来理解。PDF的文件结构指的是其文件物理组织方式，逻辑结构则指的是其内容的逻辑组织方式。

1. PDF的文件结构

PDF文件格式包含以下4个部分：

• 文件头——指明了该文件所遵从的PDF规范的版本号，它出现在PDF文件的第一行。
• 文件体——又称对象集合，PDF文件的主要部分，由一系列对象组成。
• 交叉引用表——对对象进行随机存取而设立的一个间接对象的地址索引表。(实际以偏移+索引的方式储存对象地址，下文会提及)
• 文件尾——声明了交叉引用表的地址，即指明了文件体的根对象(Catalog)，从而能够找到PDF文件中各个对象体的位置，达到随机访问。另外还保存了PDF文件的加密等安全信息。

2. PDF文件格式图示：

3. PDF文件的逻辑结构

本段主要介绍PDF文件体的读取方式。

作为一种结构化的文件格式，一个PDF文档是由一些称为“对象”的模块组成的。每个对象都有数字标号，这样的话可以这些对象就可以被其他的对象所引用。这些对象不需要按照顺序出现在PDF文档里面，出现的顺序可以是任意的，比如一个PDF文件有3页，第3页可以出现在第1页以前，对象按照顺序出现唯一的好处就是能够增加文件的可读性，对象的信息以偏移+索引的形式保存在交叉引用表内。

文件尾说明了根对象的对象号，并且说明交叉引用表的位置，通过对交叉引用表的查询可以找到目录对象(Catalog)。这个目录对象是该PDF文档的根对象，包含PDF文档的大纲(outline)和页面组对象(pages)引用。大纲对象是指PDF文件的书签树;页面组对象(pages)包含该文件的页面数，各个页面对象(page)的对象号。

4. PDF的层级结构图示：

页面(page)对象为PDF中最重要的对象，包含如何显示该页面的信息，例如使用的字体，包含的内容(文字，图片等)，页面的大小。里面的信息可以直接给出，当然里面的子项更多的是对其他对象的引用，真正的信息存放在其他对象里面。页面中包含的信息是包含在一个称为流(stream)的对象里，这个流的长度(字节数)必须直接给出或指向另外一个对象(包含一个整数值，表明这个流的长度)。

可见stream流对象我们恶代分析需要获取的重点。

5. 页面信息图示：

理解了上面的内容之后，我们可以得出针对恶代分析的PDF文件的大致解析思路：

当然，也可以采取针对PDF层级结构的文档解析方式，见仁见智，因人而异。

三、以二进制文本解析Pdf文档结构

PDF文件是一种文本和二进制混排的格式，但是Adobe更愿意让人把它当成二进制的文件，所以，PDF文件可以直接拖入16进制编辑器中打开。前面我们介绍了PDF的文件结构以及逻辑结构，现在我们在16进制编辑器中打开PDF文件，更直白的展示PDF的关键字段以及文件结构。

1. %PDF-1.6 #文件头+版本号，16进制读取文件0x25 0x50 0x44 0x46开头即证明是pdf文件 
2. %çóÏÓ    #下面就是很多的Object对象 
3. 2 0 obj  #Object对象，其中2是Obj顺序号，0是Obj的版本号，obj也是对象开始的标志 
4. <<       #<<>>之间为Object对象的字典内容，包含关键字 
5. [/ICCBased 3 0 R] 
6. >> 
7. Endobj   #Object结束关键字 
8. 7 0 obj 
9. << 
10. /Filter 
11. /FlateDecode   #流对象的压缩方式为/FlateDecode   
12. /Length 148    #流对象的长度 
13. >> 
14. Stream         #流对象 
15. #文件内容信息，注：此处为直观从而手动填写的 
16. Endstream      #流对象结束标志 
17. Endobj 
18. 8 0 obj 
19. << 
20. /Contents 7 0 R              #页面内容对象的对象号为7 
21. /MediaBox [0 0 595.2 841.68] #页面显示大小，以像素为单位 
22. /PageIndex 1 
23. /Parent 1 0 R               #其父对象号为1以及Pages对象 
24. /Resources                  #该页包含的资源 
25. <</Font <</F4 4 0 R >>      #字体的类型 
26. /Shading <<>> 
27. /XObject <<>>               #外部对象 
28. /ColorSpace <</CS1 2 0 R>>  
29. >> 
30. /Type /Page 
31. >> 
32. Endobj 
33. 1 0 obj 
34. << 
35. /Count 1        #页码数量为1 
36. /Kids [8 0 R ]  #kids对象说明它的子页对象为8 
37. /Type /Pages 
38. >> 
39. Endobj 
40. 13 0 obj 
41. << 
42. /Author (? Cryin') 
43. /CreationDate (D:20100926145832+08'00') 
44. /Title (? PDF文件格式分析) 
45. >> 
46. endobj 
47. Xref           #表示交叉引用表开始 
48. 0 14           #0表明引用表描述的对象编号从0开始，8说明共有8个对象#此行在交叉引用表中可出现多个 
49. 0000000000 65536 f #一般pdf都是以这行开始交叉引用表的，起始地址0和产生号 
50. 0000003195 00000 n #表示对象1，就是catalog，3195为偏移地址n表示对象在使用 
51. 0000000018 00000 n 
52. 0000000051 00000 n 
53. 0000003464 00000 n 
54. 0000000000 00000 f 
55. 0000004282 00000 n 
56. 0000002728 00000 n 
57. 0000002992 00000 n 
58. 0000003256 00000 n 
59. 0000003892 00000 n 
60. 0000003620 00000 n 
61. 0000008660 00000 n 
62. 0000008712 00000 n 
63. Trailer      #说明文件尾对象开始 
64. <</Size 14   #14说明PDF文件对象数目 
65. /Root 12 0 R #说明跟对象号为12 
66. /Info 13 0 R>> 
67. startxref 
68. 8980     #8980为交叉引用表的偏移地址，此处为十进制表示 
69. %%EOF    #文件结束标志 

对于对象的额外解释：如果一个样本文件的交叉引用表格式如下

1. xref 
2. 0 5 
3. 0000000000 00000 n #第1行 
4. 0000004996 00000 n #第2行 
5. 0000000022 00000 n #第3行 
6. 0000005101 00000 n #第4行 
7. 0000004976 00000 n #第5行 
8. 0000004996 00000 n #第n行 
9. 4 0 obj 
10. Xxxxx 
11. endobj 

即交叉引用表中第五行顺序数为4的对象，其偏移为4976

四、Pdf文件混淆

如图，下面的样本进行了混淆

1. %PDF-1.5 
2. 1 0 obj 
3. <</#54#79P#65 R 0 5 
4. O#70e#6e#41c#74i#6fn 3 Pages C#61ta#6c#6f#67>> 
5. endobj 

解释：<<>>代表obj对象之间的字典内容，保存了流的关键字和特征信息，因此去除混淆是必要的第一步操作，pdf文件的混淆只出现在这里#54代表0x54，上面的内容去除混淆之后即为

1. 1 0 obj 
2. <</TyPe R 0 5 OpenAction 3 Pages 
3. Catalog>> 
4. endobj 

五、关键字

下面介绍了PDF文件解析时所需要的关键字

1. obj            #obj对象开始 
2. endobj         #obj对象结束 
3. stream         #stream流对象开始 
4. endstream      #stream流对象结束 
5. xref           #交叉引用表开始 
6. trailer        #文件尾对象开始 
7. startxref      #交叉引用表结束 
8. /Page        #文件页数 
9. /Encrypt       #是否加密 
10. /ObjStm        #objectstreams的数量，objectstreams可包含其他Object对象，即嵌套 
11. /JS            #代表javascript嵌有JavaScript代码，可直接提取恶意代码 
12. /JavaScript    #代表javascript嵌有JavaScript代码，可直接提取恶意代码 
13. /AA            #以下三个为特定特征，打开对象自动执行 
14. /OpenAction 
15. /AcroForm 
16. /URI           #内嵌url链接 
17. /Filter        #/Filter字段出现，表示了下面的stream流进行了加密 
18. /RichMedia     #富文本 
19. /Launch        #执行Action的次数与OpenAction字段关联 
20. #/xxxx 带斜杠的关键字包含在<<>>字典内部 

六、流的提取

/Filter关键字之后保存了stream流的编码信息一共包括以下几种：

1. /FlateDecode 
2. /ASCIIHexDecode 
3. /ASCII85Decode 
4. /LZWDecode 
5. /DCTDecode 
6. /RunLengthDecode 
7. /CCITTFaxDecode 
8. /JBIG2Decode 
9. /JPXDecode 
10. /Crypt 

一共包括上面几种编码方式，按常见顺序进行了排序，可以级联编码。例如：

1. 0 0 obj 
2. <</Filter 
3. [/FlateDecode /ASCIIHexDecode] 
4. /Length 14278>> 

表示流先经过了ASCIIHexDecode再经过了FlateDecode编码解密是即先对流进行FlateDecode解码再对流进行ASCIIHexDecode解码目前遇到2种级联编码样本(如上)，可能会有更多级联编码方式(3级或以上)解码后能够触发攻击的流对象为javascript脚本或者图片对象，常见的恶意攻击代码储存在javascript脚本中。

下面的图片是提取自样本中的PDF steam流文件中的js脚本，已经很明显是攻击代码了：

七、一些坑

PDF的恶意攻击样本毫无疑问会使用一些特殊手段对抗杀软的扫描检查，下面统计了一下恶意样本常见的规避行为：

1. 交叉引用表

(1) 坑1 引用表偏移不正确

1. Xref    #表示交叉引用表开始 
2. 0 2     #0表明引用表描述的对象编号从0开始，8说明共有8个对象 
3. 0000000000 65536 f #一般pdf都是以这行开始交叉引用表的，起始地址0和产生号 
4. 0000003195 00000 n #表示对象1，就是catalog，3195为偏移地址n表示对象在使用 
5. startxref 
6. 8980  #8980为交叉引用表的偏移地址，此处为十进制表示 
7. %%EOF #文件结束标志 

上面有提到过交叉引用表的偏移地址为固定数值，推测adobe的parser是从文件尾开始解析，获得交叉引用表的偏移地址(Xref中X在文档中所在的位置即为偏移地址)，找到交叉引用表再定位到各个对象，实际测试发现偏移地址可以不正确8980偏移地址实际可能为任意地址。

(2) 坑2 引用表可以有多个

1. xref 
2. 0 4 
3. 0000000000 65535 f 
4. 0000000000 65536 n 
5. 0000039095 00000 n 
6. 0000000015 00000 n 
7. trailer 
8. <</ID 
9. [<386e381fac5d8245e24ee620741d0d06><b15c4bebcdae6f2210f09460b841e7a3>]/Root 
10. 26 0 R/Size 28/Info 27 0 R>> 
11. startxref 
12. 39630 
13. %%EOF 
14. <</Filter/FlateDecode/Length 
15. 6960/Subtype/Type1C>> 
16. Stream 
17. Ddd 
18. endstream 
19. xref 
20. 20 1 
21. 0000040341 00000 n 
22. 26 4 
23. 0000040380 00000 n 
24. 0000040484 00000 n 
25. 0000040677 00000 n 
26. 0000040734 00000 n 
27. 55 2 
28. 0000172790 00000 n 
29. 0000172925 00000 n 
30. trailer 
31. <</Root 26 0 R/Info 27 0 
32. R/ID[<386E381FAC5D8245E24EE620741D0D06><39FE58436C8CC909F538F88909F1EE55>]/Size 
33. 63/Prev 39630>> 
34. startxref 
35. 173446 
36. %%EOF 

样本如上，正常来讲，一个文档只存在一个%EOF结束符，但是这个样本里出现了两个

2. 字符串长度

(1) 坑1 流对象长度可以直接跟对象

正常一个字典语句中/Length之后的数值代表stream~endstream两个关键字之间流的长度，如下

1. 7 0 obj 
2. <</Filter/FlateDecode/Length 6960/Subtype/Type1C>> 
3. stream 

但测试发现流的长度可以是obj对象

1. 2 0 obj 
2. << /Length 4 0 R /Filter 
3. /FlateDecode >> 
4. #对应的obj对象中包含的长度如下 
5. 4 0 obj 
6. 4880 
7. endobj 

所以stream流对象压缩前的实际长度为4880虽然是PDF格式的正规使用方法，但同时也是规避杀软的一种手法。

(2) 坑2 流对象长度可以为任意值

1. 7 0 obj 
2. <</Filter/FlateDecode/Length 
3. 6960/Subtype/Type1C>> 
4. stream 

同理，正常流对象长度为上图，实际测试发现样本

1. 16 0 obj 
2. << 
3. /Length ANIWAY_____LEN 
4. >> 
5. stream 

WTF is ANIWAY_LEN??? 长度可以为填ascii字符???所以，/Length后面可以不跟数值stream流的实际长度实际==关键字endstream偏移-关键字stream偏移-包含的0x0D或0x0A

3. 解码问题

(1) 坑1 javascript可以支持文本和八进制

1. 7 0 obj 
2. << /Type /Action 
3. /S /JavaScript 
4. /JS (\145\166\141\154\050\146\165\156) 
5. endobj 
6. /JS 16 0 R 
7. /S /JavaScript 
8. >> 
9. endobj 
10. 16 0 obj 
11. << 
12. /Length ANIWAY_____LEN 
13. >> 
14. stream 
15. function urpl(k,sc){ 
16. var c = "\x75"; 
17. var kkc=k+c; 
18. var re = /MM/g; 
19. scsc = sc.replace(re,kc); 
20. return sc; 
21. } 
22. padding_0c = "MM0c0cMM0c0c"; 
23. padding00="MM0000"; 
24. padding_41 = "MM4141"; 
25. var x1=0; 
26. var x2=0; 
27. var x3=0; 
28. endstream 
29. endobj 

有JS编程基础的肯定注意到了，因此在这里需要判断javascript内容在对象中还是在()内亦或是否需要转码

(2) 坑2 编码方式缩写形式

1. 1 0 obj 
2. <</Filter [/Fl /Fl] /Length 8331 
3. >> 
4. Stream 
5. xœíÜYXù 
6. ÷qÆÌ0K3ÆØRÆVdoUƒQ"[M!S(íRÓ¾0–h¥B*d•hß~5´© 
7. endstream 

正常文件默认/Filter关键字之后会出现xxdecode关键字表示stream流编码方式，但测试发现样本可以没有xxdecode关键字，但同样进行了编码处理，如上/Fl字段即为/FlateDecode的简写，对应表如下：

1. /FlateDecode     /Fl 
2. /ASCIIHexDecode  /AHx 
3. /ASCII85Decode   /A85 
4. /LZWDecode       /LZW 
5. /RunLengthDecode /RL 
6. /CCITTFaxDecode  /CCF 
7. /JBIG2Decode #/JBIG2Decode其实和/DCTDecode解码方式是一样的 
8. /DCTDecode       /DCT 

(3) 坑3 编码形式可以级联

1. 10 0 obj 
2. <</Filter 
3. [/FlateDecode /ASCIIHexDecode] 
4. /Length 14278>> 

如上表示流先经过了ASCIIHex加密再进行了FlateDecode加密解码时需要先进行FlateDecode解密之后再进行ASCIIHexDecode解密

八、常用分析工具推荐

介绍完恶代格式后，推荐一些恶代分析的基本工具

1. PdfStreamDumper

• stream流解析工具
• vb开源项目。工具存在一些bug，无法解析级联编码后的stream流，例如/Fl/Fl编码就无法解析

2. PDFParser

• c++开源项目，pdf格式解析，逻辑比较清晰，可以参考

3. ParanoiDF

• python开源项目，恶代分析
• 此外还有一些很赞的开源项目如pyew、peepdf等等，不一一贴地址了。

4. References

• PDF, let me count the way...
• Cryin/PDFTear
• Adobe PDF 官方文档
• Malicious Document PDF analysis in 5 steps
• C#实现的PDF解析器